Nature Cancer：我國學者開發DeepFAN，提高醫生診斷肺結節的準確率和一致性

撰文丨王聰

編輯丨王多魚

排版丨水成文

計算機斷層掃描（CT）的廣泛應用，增加了肺結節的檢出率，越來越多的人被查出肺結節，然而，區分這些是良性還是惡性，一直是醫學界的一大難題。用于區分良性和惡性結節的 AI 方法，往往未能全面整合全局和局部特征，而且大多數此類方法尚未通過臨床試驗驗證。

2026 年 4 月 22 日，香港大學俞益洲教授、北京大學人民醫院洪楠教授、北京協和醫院金征宇教授、宋蘭醫生及深睿醫療的研究人員合作，在Nature Cancer期刊發表了題為：DeepFAN, a transformer-based model for human–artificial intelligence collaborative assessment of incidental pulmonary nodules in CT scans: a multireader, multicase trial 的研究論文。

該研究開發了一個基于 Transformer 的 AI 模型——DeepFAN，DeepFAN 在內部測試集上實現了 0.939 的 AUC 值，在涉及三個獨立醫療機構 400 例病例的臨床試驗數據集上實現了 0.954 的 AUC 值。在臨床試驗驗證中，DeepFAN 顯著提高了 12 名初級放射科醫生（1-5 年工作經驗）的診斷 AUC 值，以及診斷準確率、敏感度和特異度。且將醫生之間的診斷一致性從“一般”提升到“中等”。

這些結果表明，DeepFAN 能夠有效輔助初級放射科醫生，并有助于使診斷質量趨于一致，減少對肺部結節性質不明確患者的不必要的隨訪。

肺結節診斷的困境

肺癌是全世界范圍內發病人數最高的癌癥類型，也是癌癥相關死亡的首要原因。CT 檢查是肺癌篩查和診斷的主要手段，但隨著檢查量的激增，放射科醫生的工作負荷大幅增加，每個病例的閱片時間有限，誤診風險也隨之上升。

更棘手的是，不同醫生之間的診斷一致性往往不高，這主要受經驗差異的影響。傳統的風險評估模型，在亞洲人群中的表現并不理想。雖然近年來AI 模型在肺結節分類方面取得了進展，但大多數模型僅基于肺癌篩查人群的低劑量胸部 CT 掃描開發，未能充分代表實際臨床中的非篩查 CT 掃描。

DeepFAN：全局與局部特征的完美融合

在這項最新研究中，研究團隊開發了一個名為DeepFAN的創新 AI 模型，這個模型的核心突破在于它能夠同時捕捉肺結節的全局特征和局部細節。

DeepFAN采用了三重架構設計——

• 視覺 Transformer 模塊：捕捉結節的全局上下文特征，包括周圍肺組織紋理、血管連接等；

• 3D 殘差網絡：提取結節的精細局部特征，例如密度、毛刺征、分葉征等；

• 圖卷積網絡：將全局和局部特征融合，形成全面的結節表征。

DeepFAN 的神經網絡架構

這種設計讓 DeepFAN 能夠“既見森林，又見樹木”，從而實現對肺結節更全面的理解。

臨床驗證：數據說話

研究團隊收集了來自中國 9 家醫療機構的 11438 個病理確認的肺結節，用于訓練和驗證 DeepFAN 模型。更令人信服的是，他們還在三家獨立醫療機構進行了嚴格的多閱片者多病例臨床試驗，涉及 400 名患者的 463 個肺結節。

實驗結果令人振奮：

• DeepFAN 單獨診斷的 AUC（曲線下面積）達到 0.954，敏感性 0.950，特異性 0.851；

• 在 12 位初級放射科醫生（1-5 年工作經驗）的協助測試中，DeepFAN 輔助使他們的平均診斷性能顯著提升：AUC 提高 10.9%、準確率提高 10.0%、敏感性提高 7.6%、特異性提高 12.6%。

DeepFAN 以及有和無 DeepFAN 輔助的醫生的七項性能指標的雷達圖

特別值得注意的是，DeepFAN 輔助后，醫生之間的診斷一致性從“一般”提升到“中等”水平。這意味著不同醫院、不同醫生的診斷結果更加統一，減少了因經驗差異導致的診斷偏差。

此外，在 DeepFAN 輔助下，醫生對良性結節的評分普遍降低（平均降低 0.65 分），對惡性結節的評分普遍提高（平均提高 0.25 分），各評分級別中正確分類的結節數量均有所增加。這意味著 DeepFAN 不僅提高了診斷準確性，還增強了醫生的診斷信心。對于那些難以判斷的結節，輔助效果尤為明顯。在診斷難度高、中、低的結節中，DeepFAN 均能顯著提升醫生的診斷能力。

技術背后的科學原理

DeepFAN 的決策過程是透明可解釋的。通過熱圖可視化技術，研究團隊發現模型主要依賴全局特征，同時結合局部特征來做出判斷。例如，對于錯構瘤（良性），模型識別出其光滑邊緣、實性密度和部分脂肪密度；對于浸潤性腺癌（惡性），則識別出不規則形狀、異質性密度、分葉和毛刺等特征。

模型分析還發現，DeepFAN 的惡性預測與結節直徑較大、部分實性和磨玻璃密度、毛刺征和分葉征顯著相關，這些發現與臨床經驗高度一致。

醫療實踐的新篇章

這項研究的意義不僅在于技術突破，更在于其臨床實用性。DeepFAN 已經獲得中國國家藥品監督管理局的批準，這意味著它已經具備了臨床應用的條件。

對于醫療資源相對匱乏的地區，DeepFAN 可以作為一個有力的輔助工具，幫助初級醫生做出更準確的診斷，減少不必要的隨訪和患者焦慮。對于大型醫療中心，它可以提高工作效率，讓專家能夠更專注于復雜病例。

隨著人工智能（AI）技術的不斷發展，人機協作的醫療模式正在成為現實。DeepFAN 的成功驗證為 AI 在醫學影像診斷領域的應用提供了有力證據。未來，類似的技術可能會擴展到其他類型的癌癥篩查和診斷中，為更多患者帶來福音。

論文鏈接：

https://www.nature.com/articles/s43018-026-01147-w